Обнаружение и оценивание границ объектов на изображениях в условиях аддитивного шума и деформирующих искажений

• Автор: Соломатин, Алексей Иванович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Воронеж
• Количество страниц: 181 с. : ил.

Оглавление
Введение
Глава 1. Анализ известных методов обнаружения и выделения границ объектов на изображениях
1.1. Анализ известных методов и алгоритмов поиска объектов на изображениях
1.1.2. Статистический подход к распознаванию объектов на изображениях
1.1.3. Геометрический подход к распознаванию объектов на изображениях
1.1.4. Нейросетевой подход к распознаванию объектов на изображениях
1.2. Известные методы выделения границ объектов на изображениях
Выводы по главе
Глава 2. Синтез и анализ алгоритмов совместного обнаружения и оценивания локальных участков границы объектов на изображении
2.1. Постановка задачи совместного обнаружения и оценивания параметров локальной неоднородности в рамках модели перепада яркости
2.2. Статистические алгоритмы обнаружения и оценивания параметров локальной неоднородности в рамках модели перепада яркости
2.2.1. Алгоритм обнаружения перепада яркости при известной яркости фона и яркости объектов
2.2.2. Алгоритм обнаружения и оценки параметров перепада яркости при известной яркости фона и неизвестной яркости объектов
2.2.3. Алгоритм обнаружения и оценки параметров перепада яркости при неизвестной яркости фона и неизвестной яркости объектов
2.3. Нейросетевой алгоритм совместного обнаружения и оценивания параметров локальной неоднородности в рамках модели перепада яркости.. 79 Выводы по главе
Глава 3. Синтез и анализ алгоритмов совместного обнаружения и оценивания границы объектов с неизвестной формой и местоположением
3.1. Методика оценки эффективности алгоритма обнаружения локальной неоднородности
3.1.1. Методика расчета условных вероятностей ошибок первого и второго рода
3.1.2. Методика расчета безусловных вероятностей ошибок первого и второго рода
3.2. Синтез алгоритма вторичной обработки локальных фрагментов для обнаружения объекта, характеризующегося замкнутой границей неизвестной формы
3.3. Определение целостной границы объекта с использованием метода динамического программирования при реализации обобщенного алгоритма
максимального правдоподобия
Выводы по главе
Глава 4. Алгоритмы обнаружения объектов на основе инвариантных преобразований эталонных фрагментов изображения
4.1. Инвариантный к повороту и изменению масштаба алгоритм обнаружения эталонного объекта в локальном участке наблюдения
4.1.1. Представление изображений объектов с использованием упорядоченного разбиения на группы пикселей
4.1.2. Формирование описания эталонного объекта, инвариантного к повороту и изменению масштаба
4.1.3. Определение меры близости наблюдаемого и эталонного изображения. Принятие решения о наличии объекта
4.1.4. Определение меры близости локального участка изображения и эталона на основе вычисления степени пересечения выделенных групп
4.2. Алгоритмы классификации и локализации объектов на изображении.. 147 Выводы по главе
Заключение
Список литературы

Введение
В настоящее время постоянно совершенствуются технические и информационные возможности различных систем дистанционного мониторинга и видеонаблюдения. Это, в свою очередь, стимулирует потребность в развитии существующих и разработке новых методов и средств автоматической и автоматизированной обработки получаемых исходных графических материалов. Соответствующие задачи постоянно возникают [25,76,80,99] в системах наведения и навигации летательных аппаратов, в самолетных, спутниковых и других системах визуального контроля объектов, в системах экологического мониторинга земной поверхности, в разнообразных устройствах медицинской и технической диагностики и др. К наиболее часто решаемым задачам относятся, например, задачи оцифровки изображений, хранения, передачи и сжатия полученных цифровых эквивалентов, задача фильтрация шумов и т.д. Тем не менее, основной в таких системах является, все-таки, задача автоматического извлечения необходимой для принятия дальнейших решений информации. В самом общем понимании - это задача анализа наблюдаемой сцены [86], т.е. разбор изображения на составные части и интерпретация его по аналогии с тем, как это делает человек [70]. Однако, при отсутствии каких либо априорных данных об анализируемых изображениях, подобная задача сегодня не имеет законченного решения.
В связи с этим на практике рассматриваются [26,35,37,50,54,69,93,105] более частные задачи понимания изображений, ориентированные на извлечение в некотором смысле заранее оговоренной и структурно фиксированной информации из изображений одинаковой и известной природы. Большинство систем, осуществляющих автоматическое извлечение такой информации из изображения, используют для этого методы классификации объектов или их частей с последующей локализацией области их расположения [25,81,86]. Следует отметить, что решаемые при этом задачи также являются плохо формализуемыми и не имеют единых подходов в своем решении.
Математические основания возможности решения задачи классификации с помощью аппарата искусственных НС базируется на ряде теорем [9], определяющих аппроксимирующие свойства многослойных сетей. Как известно НС состоит из множества базовых процессорных элементов - нейронов. Каждый нейрон выполняет стандартный набор операций. На вход нейрона поступает вектор х = (х,,...,хл)г, на выходе вычисляется величина
Веса ц = (у0,т1,...,уи)г называются весами нейронных связей. Функция /(и), осуществляет в общем случае нелинейное преобразование взвешенной суммы компонентов сигнала. Она называется функцией активации и может принимать различный вид, включая и линейный. Наиболее часто используемые функций активации это [32]: сигмоидальная униполярная — /(х) = 1/(1 + ё~рх), сигмоидальная биполярная - /(х) = ПийфДх) и линейная — /{х)-/3х. Результат, получаемый на выходе нейрона, поступает на входы других нейронов или на один их выходов всей сети. Подобные соединения нейронов в сети осуществляются по слоям.
На рис. 1.4 представлена типовая архитектура многослойной сети прямого распространения (многослойный персептрон [9,32]), имеющей М = 3 слоя и т1, 1 < / < М нейронов в каждом слое. Выходы нейронов / -го слоя являются одновременно входами нейронов / +1 -го слоя. Для первого слоя вектор входов является одновременно вектором входов всей сети х. Аналогично вектор выходов М-го слоя является вектором выходов всей сети. Для каждого слоя определены матрицы весов нейронных связей Vм = ||^'* || размером т1_] хт:, а также матрицы
(векторы-строки) весов ПОСТОЯННЫХ смещений К0(,) = С^о,...,^!^). Значения
индексов к, г для каждого элемента матриц весов Vм и К0(,) определяют,
(1.8)